Verbesserung der Leistung von Nicht-Experten bei der Protokollierung muskuloskelettaler MRTs durch ein großes Sprachmodell

Schlaue Untersuchungen für schmerzende Gelenke

Wenn Sie sich am Knie, an der Schulter oder am Rücken verletzen, verordnen Ärzte oft eine MRT, um in Muskeln, Gelenke und Knochen zu blicken. Doch eine aussagekräftige MRT zu erhalten ist nicht so einfach wie auf einen Knopf zu drücken. Techniker und junge Ärztinnen und Ärzte müssen unter Dutzenden von Scan‑Optionen auswählen, und Fehler können zu unscharfen oder unvollständigen Bildern, verschwendeter Zeit und einer zweiten Untersuchung führen. Diese Studie stellt eine aktuelle Frage: Kann ein modernes KI‑Sprachwerkzeug unauffällig neben diese Nicht‑Experten treten und ihnen helfen, beim ersten Mal bessere muskuloskelettale MRT‑Einstellungen auszuwählen?

Warum die richtige MRT‑Auswahl zählt

Muskuloskelettale MRT deckt eine sehr große Bandbreite an Körperregionen ab – von den Fingern bis zur Wirbelsäule – und viele verschiedene Probleme, etwa Sportverletzungen, Arthritis oder Infektionen. Jede Situation kann eine andere Kombination aus Scan‑Winkeln, abzudeckenden Bereichen und Tricks zur Reduktion von Metallartefakten bei Implantaten erfordern. Krankenhäuser unterhalten deshalb große Protokollbibliotheken, oft mit hunderten Variationen, die sich über Jahre lokaler Erfahrung entwickelt haben. Da die Bildgebungsbelastung zunimmt und Fachradiologen knapp werden, wird mehr von dieser Protokollierungsarbeit an Assistenzärzte und Radiologietechnologen delegiert. Fehler können Patienten zu Wiederholungsaufnahmen zwingen, Termine durcheinanderbringen und Diagnosen verzögern.

Ein KI‑Co‑Pilot im Kontrollraum

Die Forschenden testeten ein kommerziell verfügbares großes Sprachmodell (GPT‑4o) als Assistent und nicht als Ersatz für das Personal. Zunächst sammelten sie mehr als 12.000 frühere muskuloskelettale MRT‑Aufträge aus einem Krankenhaus, um eine detaillierte Instruktionsaufforderung für die KI zu entwerfen. Für jeden Fall erhielt die KI anonymisierte Informationen aus der elektronischen Patientenakte: die Art der angeordneten Untersuchung, Kommentare des Klinikers, jüngste Bildbefunde und relevante medizinische Notizen. In einem iterativen zweiwöchigen Prozess verfeinerte das Team eine einzelne lange Prompt so, dass die KI ein strukturiertes Arbeitsblatt ausgab: den empfohlenen Protokollnamen, den exakten zu scannenden Bereich, ob Metallartefakt‑Reduktion zu verwenden ist, wie Fett‑Signale zu unterdrücken sind, welche Spule zu nutzen ist und weitere Details. Sie bauten Regeln in die Prompt ein, um Vermutungen zu minimieren und die Antworten der KI konsistent zu halten.

Der Test: Nicht‑Experten gegen KI‑Assistenz

Um zu prüfen, ob die KI den Personen tatsächlich half, stellte das Team einen separaten Testsatz von 107 neuen MRT‑Aufträgen zusammen. Drei Radiologie‑Assistenzärzte und drei Radiologietechnologen, alle mit weniger als einem Jahr Erfahrung, wurden gebeten, für jeden Fall Protokoll‑Arbeitsblätter zweimal auszufüllen: einmal nur nach eigenem Ermessen und einmal mit KI‑Unterstützung. Ein Crossover‑Design und eine sechsmonatige Pause zwischen den Sessions halfen, einfache Gedächtniseffekte zu vermeiden. Zwei erfahrene muskuloskelettale Radiologen bewerteten ausgehend von ihren eigenen Goldstandard‑Protokollen jedes Arbeitsblatt auf einer vierstufigen "klinischen Bestanden"‑Skala, die reale Folgen abbildet – von einem vollständigen Versagen mit notwendiger Wiederholung bis zu einer exzellenten Übereinstimmung.

Was sich änderte, als die KI Teil des Teams wurde

Mit Hilfe der KI stiegen die Durchschnittswerte sowohl bei den Assistenzärzten als auch bei den Radiologietechnologen, und die Verbesserung war statistisch signifikant. Der bedeutsamste Effekt zeigte sich weniger in kleinen Punktezunahmen, sondern in der Verringerung des Anteils an Protokollen, die wahrscheinlich eine teilweise oder vollständige Wiederholungs‑MRT nach sich ziehen würden. Bei den Assistenzärzten sanken diese risikoreichen Fälle um rund 12 %, bei den Radiologietechnologen um etwa 8 %. In einer stark frequentierten Abteilung mit etwa 40 solchen Untersuchungen pro Tag könnte das mehrere problematische Scans täglich einsparen. Die Ausgaben der KI waren relativ stabil: Wenn derselbe Fall fünfmal durchlaufen wurde, waren die Bewertungen gut konsistent, und mehr als die Hälfte der Zeit lieferte sie in jedem Lauf einen exzellenten Plan. Wenn Fehler auftraten, betrafen sie meist feine technische Entscheidungen, etwa spezifische Fettunterdrückungsmethoden oder exaktes Targeting, und menschliche Gutachter konnten diese Probleme oft in der begleitenden Begründung der KI erkennen.

Wie Menschen die Hilfe nutzten und missbrauchten

Befragungen des teilnehmenden Personals zeigten, wie Menschen tatsächlich mit dem Tool interagierten. Besonders wertvoll fanden sie die zusätzlichen Kommentare der KI – etwa wo genau der Scan zu fokussieren sei, welche Spule zu verwenden und warum ein bestimmtes Protokoll sinnvoll sei. Viele Teilnehmende erinnerten sich später an Ideen der KI und übernahmen sie auch, wenn sie ohne das Tool arbeiteten, was auf einen lernenden Effekt hindeutet. Gleichzeitig offenbarten die Ergebnisse Hinweise auf Automations‑ und Bestätigungsfehler: Teilnehmende neigten dazu, sich stärker auf die KI zu stützen, wenn diese ihrer Erstintuition entsprach, und folgten ihr mitunter auch dann, wenn die eigenständige Bewertung der KI schlecht war. Insgesamt verschlechterte sich die Leistung durch die KI‑Hilfe jedoch selten, und nur in einem kleinen Anteil der Fälle führten ihre Vorschläge zu Problemen.

Was das für Patientinnen, Patienten und Kliniken bedeutet

Für einen Patienten in der MRT‑Röhre sind die Details der Protokollauswahl unsichtbar. Dennoch legt diese Studie nahe, dass ein sorgfältig gestaltetes Sprachmodell, das über eine gewöhnliche Chat‑Schnittstelle eingesetzt wird, die Qualität der muskuloskelettalen MRT‑Planung durch Nachwuchspersonal steigern und die Zahl der nachzuholenden Aufnahmen reduzieren kann. Das System ersetzt keine Fachradiologen, und seine Leistung hängt von lokalen Regeln und umsichtigem Monitoring ab. Als praktischer Co‑Pilot, der Nicht‑Experten hilft, beim ersten Versuch bessere Einstellungen zu wählen, zeigt es jedoch, wie KI die fortgeschrittene Bildgebung effizienter und patientenfreundlicher machen könnte.

Zitation: Lee, S., Choi, H., Chun, K.S. et al. Improving non-expert performance in musculoskeletal MRI protocoling through a large language model. Sci Rep 16, 12423 (2026). https://doi.org/10.1038/s41598-026-41898-1

Schlüsselwörter: muskuloskelettale MRT, Radiologie‑Workflow, große Sprachmodelle, klinische Entscheidungsunterstützung, KI in der medizinischen Bildgebung